As Constelações do Xerife Adormecido

As Constelações do Xerife Adormecido

Um Desafio do Velho Oeste

Nota

Podem ser utilizados explicitamente modelos de linguagem pré-treinados (ex: BERT, RoBERTa, sentence-transformers) com pesos carregados. A aceleração por GPU para treino e inferência é totalmente permitida. Pipelines clássicos de NLP baseados em TF-IDF também são permitidos e encorajados.

A História

Algures nas planícies áridas do Novo México, 1883.

O velho Xerife Clem Dudley tinha um hábito que nenhum ajudante jamais compreendeu: todas as noites, por mais longo que tivesse sido o dia, colocava o chapéu na sela do cavalo, deitava-se na manta e olhava diretamente para cima, para o céu.

"As estrelas não mentem", costumava dizer. "Qualquer fugitivo, qualquer vagabundo, qualquer homem honesto — todos olham para o mesmo céu."

Numa noite de agosto, exausto após três dias a perseguir o bando Vega pelo deserto, Clem deitou-se sob um céu negro como tinta, salpicado com mais estrelas do que alguma vez contara. Tentava adormecer quando as estrelas começaram a mover-se — lentamente ao início, como brasas levadas pelo vento de uma fogueira a morrer. Depois, cada vez mais rápido. Traçavam linhas entre si. Triângulos. Espirais. Animais. Números. Formas das quais não sabia o nome.

"Deve ser do calor", resmungou. Mas continuou a observar.

As formas tornaram-se palavras. Não ditas — sentidas. Cada constelação parecia carregar um significado, um peso, uma história pendurada nela como um cartaz de "Procura-se" num painel de xerife. Estendeu a mão para o lápis para as anotar, e então — nada.

Acordou noutro lugar.

O Reino entre as Estrelas. Era assim que lhe chamavam.

Era um território vasto e silencioso onde o céu era o chão, e as constelações eram aldeias — cada uma um grupo de estrelas arranjadas numa forma, e cada forma carregando um nome que esperava ser correspondido com a sua história. Os habitantes deste reino, os Escribas das Estrelas, mantinham registos meticulosos há séculos: diários, poemas, diários de bordo, lendas — todos escritos por pessoas que tinham olhado para as mesmas formas de estrelas lá de baixo, da terra.

Mas algo tinha corrido mal. Uma grande tempestade celeste — os locais chamavam-lhe A Dispersão — tinha arrancado cada etiqueta de cada constelação e lançado-as ao vento. Agora, milhares de textos flutuavam soltos sobre as formas de estrelas que outrora descreveram, e os Escribas das Estrelas já não conseguiam dizer qual história pertencia a qual céu.

A Clem foi entregue um distintivo feito de luz estelar e uma instrução simples:

"Faz corresponder as palavras de volta às estrelas, Xerife. Antes que venha a próxima tempestade."

A Tarefa

É-te fornecido um conjunto de constelações de estrelas, cada uma descrita por uma sequência de pontos 2D que formam uma forma geométrica (ex: uma cruz, uma espiral, uma figura de cinco pontas, algarismos como 6, 7, 8, combinações de algarismos, etc.). Também te é fornecido um grande conjunto de fragmentos de texto candidatos — entradas de diário, lendas, descrições — cada um escrito originalmente sobre uma única constelação específica.

O teu objetivo é construir um modelo capaz de atribuir corretamente a cada texto do conjunto a constelação correspondente, baseando-se exclusivamente na relação semântica e estrutural entre a geometria das coordenadas e o conteúdo do texto.

Estrutura dos Dados

Conjunto de Treino

train.csv contém 300 pares constelação-texto com etiquetas:

• Cada ID de constelação aparece 40-65 vezes com ligeiras variações geométricas (ruído, rotação, escala).

Conjunto de Teste

test.csv contém 50 sequências de constelações sem etiquetas (datapointID 1-50):

Cada datapointID aparece 40-65 vezes. Não são fornecidas etiquetas de texto.

Textos Candidatos

candidates.csv contém 500 fragmentos de texto:

• Exatamente 50 destes 500 textos são as correspondências corretas para as 50 constelações de teste.
• Os outros 450 são distratores.
• Os textos têm caráter literário — não aparece vocabulário geométrico direto neles.

Formato de Submissão

O ficheiro de submissão deve estar no formato CSV com as seguintes colunas:

Cada um dos 50 datapointID de teste deve aparecer exatamente uma vez.

Exemplo:

1subtaskID,datapointID,answer21,1,4231,2,31741,3,4675...

Métrica de Avaliação

Accuracy (equivalente a F1-macro)

Cada previsão é avaliada como uma classificação de rótulo único (single-label) sobre os 500 IDs de texto candidatos. A previsão é ou correta (1) ou incorreta (0).

A métrica final é o número de previsões corretas / 50.

Função de Pontuação

As pontuações brutas são convertidas em pontos de concurso usando uma função linear com um limite mínimo:

Em resumo: deves fazer corresponder corretamente pelo menos 15 de 50 constelações (accuracy = 0.30) para obter quaisquer pontos, e a correspondência correta de 43 ou mais (accuracy >= 0.85) garante a pontuação máxima.

"As estrelas não mentem. Podes confiar mais numa estrela do que num homem..." — Xerife Clem Dudley, 1883